Risikoaggregation mittels Monte-Carlo-Simulation

Das Erweiterungsmodul für antares RiMIS dient der Aggregation von Einzelrisiken unterschiedlicher Themenfelder oder Organisationseinheiten. Es werden mögliche Kombinationseffekte der Risiken ermittelt und daraus der Gesamtrisikoumfang des Unternehmens bestimmt. Aufgrund ihrer Eigenschaften (zufällige Ausprägungen und Auftrittswahrscheinlichkeiten) dürfen Risiken nicht einfach addiert werden. Bei der Simulation wird daher eine Vielzahl an zufälligen Durchläufen durchgeführt, um jeweils eine Gesamtrisikoverteilung unter Berücksichtigung der Wahrscheinlichkeitsverteilungen zu erzeugen, statistisch auszuwerten und in einem Histogramm abzubilden. Dabei macht man sich das „Gesetz der großen Zahl“ zu Nutze, nach dem man ein unter gleichen Bedingungen oft wiederholtes Zufallsexperiment als theoretisch wahrscheinlichen Wert annimmt.

Die Monte-Carlo-Simulation unterstützt unterschiedliche Verteilungsfunktionen, u.a.:

  • Gauß’sche Normalverteilung
  • Gleichverteilung
  • Log-Normalverteilung
  • Binomialverteilung
  • Dreiecksverteilung
  • PERT-Verteilung

Bei dieser Methode können mittels sog. Copula (=eine gemeinsame Verteilungsfunktion verschiedener Risiken) spezifischere Abhängigkeitsstrukturen umgesetzt werden als bei einer linearen Korrelation. So erhält man ein vergleichsweise breiteres Spektrum möglicher Abhängigkeiten zwischen Risiken in einer präziseren Darstellung.

Mithilfe von Simulationsszenarien können verschiedene Attribute einer Simulation zu einem möglichen Zukunftsszenario zusammengestellt werden.

Eine Neuerung stellen treiberbasierte Risiken dar. Dabei handelt es sich bei einem Treiber um einen Basiswert eines Risikos. Dies kann beispielsweise ein Währungs- oder Rohstoffkurs sein. Im Regelfall beeinflusst ein Treiber mehrere Risiken. Um Korrelationen zwischen Treibern ermitteln zu können, werden entsprechende historische Werte untersucht, woraus dann die Standardabweichung aus einem definierten Zeitraum ermittelt wird. Anschließend wird diese zusammen mit entweder dem Planwert oder dem letzten gültigen Treiberwert als Erwartungswert als Parameter für die Normalverteilung verwendet.

Ein sog. Seed sorgt dafür, dass der Zufallsgenerator bei mehreren Durchläufen immer die selben Zufallszahlen generiert und so ein reproduzierbares Ergebnis liefert.

Weitere Informationen zum Simulationsmodul gibt es auf unserer Produktseite.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Captcha * Time limit is exhausted. Please reload CAPTCHA.